本发明涉及视频制作领域，尤其涉及一种自动文字生成场景视频的方法及系统，该系统包括：构图逻辑生成模块，用于根据输入的文本描述，生成构图的构图模板图像；图像内容生成模块，输入为构图逻辑生成模块生成的构图模板图像，输出为渲染后的实景图；图像动态化模块，将图像内容生成模块输出的实景图，变换为连续的多帧图像，生成动态视频。本发明基于自然语言预训练模型和计算机视觉技术，通过给定的语言输入自动生成短视频，而不需要第三方人工干预，大大提高了短视频制作的效率，同时生成的短视频具有真实性和多样性，保证了生成视频的质量和视频素材的新颖。